26gma175 10.3205/26gma175 urn:nbn:de:0183-26gma1752 Meeting Abstract Güntzel Güntzel Paul P

Universität Augsburg, Department of Medical Education, Augsburg, Deutschland

author Joachimski Joachimski Felix F

Universität Augsburg, Department of Medical Education, Augsburg, Deutschland

author Hecht Hecht Louisa L

Universität Augsburg, Institut für Allgemeinmedizin und Versorgungsforschung, Augsburg, Deutschland

author Roos Roos Marco M

Universität Augsburg, Institut für Allgemeinmedizin und Versorgungsforschung, Augsburg, Deutschland

author Schelter Schelter Frederik F

Universität Augsburg, Institut für Allgemeinmedizin und Versorgungsforschung, Augsburg, Deutschland

author Schindler Schindler Christoph C

Universität Augsburg, Department of Medical Education, Augsburg, Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20260904 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0655 175 Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA) P-07 Poster: KI-Innovation II & Digitale Lehrformate Dresden 20260917 20260919 P-0706 TextHintergrund/Fragestellung: Klassische MC-Prüfungen fördern kurzfristige Wissensreproduktion (Bulimielernen) und stehen in Spannung zu kompetenzorientierten Lernzielen. Gleichzeitig sind offene Prüfungsformate ressourcenintensiv und schwer standardisierbar. Das Open-Closed Exam (OCE) verbindet als longitudinales Prüfungsdesign offene Fallbearbeitung, Clinical Reasoning und summative MC-Prüfung systematisch und wirkt konstruktiv lernsteuernd.Methoden: Zu Beginn des Studienabschnitts bearbeiten Studierende klinische Fallvignetten mit offenen Fragen (Eingangstestat). Diese Vignetten begleiten die Lehrveranstaltungen als wiederkehrende Referenzfälle. Am Ende des Lernabschnitts beantworten die Studierenden MC-Fragen zu denselben Fällen. Bei der Erstellung können Distraktoren aus den mithilfe von KI extrahierten Fehlkonzepten der offenen Antworten genutzt werden. Das Format wurde zweimal pilotiert (n=91 und n=60). Neben organisatorischer Machbarkeit und qualitativen Daten zur Akzeptanz wurden Itemkennwerte und studentische Rückmeldungen anhand von Fokusgruppen und nicht standardisierten Fragebögen analysiert.Ergebnisse: Das Modell war organisatorisch umsetzbar, jedoch mit initialem Abstimmungsbedarf hinsichtlich Blueprint und Bewertungsraster verbunden. KI-gestützte Distraktorgenerierung reduzierte den Aufwand der Itemerstellung erheblich, machte eine intensive Nachbearbeitung jedoch nicht überflüssig. In den begleitenden Erhebungen bezeichnen 71,9% der Studierenden und 63,4% der Lehrenden das Verfahren als lern- und verhaltenssteuernd. Es wurden signifikant weniger Anki-Karten verwendet. Die resultierenden MC-Items zeigten gute Schwierigkeits- und Trennschärfeindizes. Interessanterweise unterschieden sich Itemkennwerte einzelner Fragen, die nicht vollständig dem vorgesehenen OCE-Raster entsprachen, nicht signifikant von regelkonformen OCE-Items. Dies weist darauf hin, dass der zentrale Effekt möglicherweise weniger in der Distraktorlogik als in der longitudinalen Fallbindung liegt.Diskussion: Das OCE verbindet formative und prospektiv wirksame Wissensaktivierung mit summativer Entscheidungsanforderung und schafft curriculare Kohärenz zwischen Lehre und Prüfung. Die KI-Unterstützung ermöglicht Skalierbarkeit. Weitere Forschung ist erforderlich, um Lernwirksamkeit und langfristige Effekte auf Konzeptverständnis systematisch zu evaluieren.Take-Home-Messages: Das Open-Closed Exam macht Prüfungsrelevanz transparent und wirkt konstruktiv lernförderlich. 0 0 0 0